Tuyên bố bản quyền: Nếu bạn muốn sao chép mã của bài viết này, vui lòng cho biết nguồn gốc, nếu sử dụng cho mục đích thương mại, viết bài luận, vui lòng gửi thư riêng hoặc liên hệ với tác giả tại email 940648114@gmail.comqq.com

Một, lời nói trước

Những lợi thế của việc định lượng giao dịch

Giao dịch định lượng là việc thay thế các mô hình toán học tiên tiến để đưa ra phán đoán chủ quan, sử dụng công nghệ máy tính từ dữ liệu lịch sử khổng lồ để đưa ra các chiến lược có khả năng mang lại lợi nhuận lớn, giảm đáng kể ảnh hưởng của biến động tâm lý của nhà đầu tư và tránh đưa ra các quyết định đầu tư phi lý trong trường hợp thị trường cực kỳ điên cuồng hoặc bi quan. Do sự liên tục của thị trường giao dịch tiền kỹ thuật số 24 * 7 giờ liên tục và giao dịch định lượng có thể đạt được hiệu quả giao dịch tần suất cao, bắt đầu từ thị trường tiền kỹ thuật số rõ ràng là một điểm khởi đầu tốt cho việc định lượng. Hiện nay, thị trường tiền kỹ thuật số vẫn chưa trưởng thành. Các lỗ hổng của hệ thống giao dịch nền tảng, các nút k vẫn sẽ xuất hiện thỉnh thoảng, cũng là một rủi ro cho giao dịch định lượng.

GQNR mô hình giới thiệu

Mô hình này dựa trên mô hình dự đoán biến động của Garch, sử dụng VaR của tỷ lệ biến động dự đoán bằng cách quay trở lại phân số và sử dụng sự quay trở lại phi tuyến tính, chẳng hạn như GA để chuẩn bị để dự đoán VaR trên cùng và VaR dưới cùng trong chu kỳ tiếp theo trong tương lai.

1.Garch模块

Phần này sẽ trình bày chi tiết về việc suy luận về cốt lõi của chiến lược Garch, một phương pháp có một số tính phổ biến trên thị trường tài chính và có thể đạt được một số hiệu ứng dự đoán trên tiền kỹ thuật số.

1.1 Garch định nghĩa

Bản chất của mô hình ARCH là sử dụng các chuỗi bậc xấp xỉ chuyển động q để phù hợp với các giá trị của hàm chênh lệch trong thời gian hiện tại, vì mô hình chuyển động trung bình có độ kết thúc bậc xấp xỉ từ các hệ số liên quan, nên mô hình ARCH thực sự chỉ áp dụng cho các hệ số liên quan ngắn từ các hệ số liên quan. Tuy nhiên, trong thực tế, các hàm chênh lệch nghịch lý của một số chuỗi dư thừa có tính tương quan dài hạn, và việc sử dụng mô hình ARCH để phù hợp với các hàm chênh lệch nghịch lý sẽ tạo ra số bậc trung bình di chuyển cao, làm tăng khó khăn của việc ước tính các tham số và cuối cùng ảnh hưởng đến độ chính xác phù hợp của mô hình ARCH. Để sửa chữa một vấn đề, một mô hình khác biệt khác biệt theo điều kiện hồi quy được đưa ra, mô hình được viết tắt là GARCH ((p, q). Mô hình GARCH thực sự là nền tảng của ARCH, được hình thành bằng cách gia tăng sự hồi quy của giai đoạn p để xem xét các hàm chênh lệch khác biệt, nó có thể phù hợp hiệu quả với các hàm chênh lệch khác biệt có trí nhớ lâu dài. Mô hình ARCH là một trường hợp của mô hình GARCH, mô hình GARCH ((p, q) với p = 0).

1.2 ARCH quá trình

Định nghĩa là σn là ước tính tỷ lệ biến động của tài sản trong chu kỳ giao dịch n trong chu kỳ giao dịch n - 1, mu là tỷ lệ lợi nhuận hàng ngày, sau đó có thể ước tính không thiên vị dựa trên tỷ lệ lợi nhuận trong m chu kỳ giao dịch gần nhất: $$ \sigman^2= \frac{1}{m-1} \sum\limits{i=1}^m {({ \mu_{n-i}- \overline{\mu} }) ^2} $$ Làm những thay đổi sau đây: 1 thay đổi μn-i thành tỷ lệ phần trăm lợi nhuận; 2 thay đổi m-1 thành m; 3 giả định μ = 0, và những thay đổi này không ảnh hưởng nhiều đến kết quả, theo công thức trên, tỷ lệ biến động có thể được đơn giản hóa thành: $$ \sigman^2= \frac{1}{m} \sum\limits{i=1}^m { \mu_{n-i} ^2} $$ Điều này có nghĩa là hình vuông của tỷ lệ biến động trong mỗi chu kỳ có trọng lượng bằng 1 / m, vì ước tính tỷ lệ biến động hiện tại, dữ liệu gần nên được gán trọng lượng cao hơn, vì vậy công thức trên có thể được thay đổi thành: $$ \sigman^2= \sum\limits{i=1}^m { \alpha_i\mu_{n-i} ^2} $$ αi là hệ số của tỷ lệ lãi suất bình phương trong chu kỳ giao dịch i, đúng giá trị và giá trị nhỏ hơn của i càng lớn, tổng trọng lượng là 1; tiếp tục phổ biến, giả sử có một tỷ lệ chênh lệch chênh lệch dài VL, với trọng lượng tương ứng là γ, theo công thức trên có thể được:

$$ \begin{case}\sigman^2 = \gamma V{L} + \sum\limits_{i=1}^m { \alpha_i\mu_{n-i} ^2}\ & \ \gamma + \sum\limits_{i=1}^m{\alpha_i\mu_{n-i}^2} = 1 & \end{cases}, $$ Vì vậy,ω = γVL, công thức ((15) có thể được viết thành: $$ \sigman^2= \omega+\sum\limits{i=1}^m { \alpha_i\mu_{n-i} ^2} $$ Dựa trên công thức trên, chúng ta có thể nhận được quá trình ARCH ((1) thông thường. $$ \sigmaN^2= \omega+{ \alpha\mu{n-1} ^2}, $$

1.3 GARCH

Mô hình GARCH ((p,q) là sự kết hợp của mô hình ARCH§ và EWMA ((q), nghĩa là tỷ lệ biến động không chỉ liên quan đến lợi nhuận trước thời gian p mà còn liên quan đến thời gian trước thời gian q của chính nó, được biểu thị như sau: $$ \sigman^2= \omega+\sum\limits{i=1}^m { \alpha_i\mu_{n-i} ^2} + \sum\limits_{i=1}^m { \beta_i\sigma_{n-i} ^2} $$ Theo công thức trên, chúng ta có thể nhận được các biến thể phổ biến của GARCH ((1,1)): $$ \begin{cases}\sigmaN^2= \omega+{ \alpha\mu{n-1} ^2+\beta\sigma_{n-1}^2}\&\ \qquad\alpha+\beta+\gamma=1 & \end{cases}, $$

2 QR module

Phần này sẽ giải thích về sự hồi quy phân số cơ bản và mô tả tầm quan trọng của phân số chiến lược.

2.1 Định nghĩa QR

Phân số regression là một phương pháp mô hình hóa ước tính mối quan hệ tuyến tính giữa một tập hợp các biến số regression X và các phân số của biến số Y được giải thích. Mô hình hồi quy trước đây thực sự là một sự mong đợi về điều kiện nghiên cứu các biến được giải thích; và người ta cũng quan tâm đến việc giải thích các biến có liên quan đến số trung bình, phân số của phân bố biến được giải thích. Nó được đưa ra đầu tiên bởi Koenker và Bassett (năm 1978).

2.2 Từ OLS đến QR

Phương pháp hồi quy phổ biến là phép nhân hai tối thiểu, tức là tổng phương vuông của sai số tối thiểu: $$ min \sum{({y_i- \widehat{y}i }) }^2 $$ Mục tiêu của phân số là giảm thiểu các giá trị sai số tuyệt đối được cân nhắc dựa trên công thức trên và: $$ \mathop{\arg\min\beta}\ \sum{[{\tau(y_i-X_i\beta) ^++(1-\tau) \(X_i\beta-y_i) ^+ }]} $$

2.2 Quá trình hiển thị QR

Và bạn có thể thấy rằng tất cả các mẫu được phân chia bởi các đường quay trở lại trong các không gian khác nhau, và đường quay trở lại là đường phân vùng.

3. GARCH-QR quay trở lại

Chúng ta tự nhiên nghĩ rằng liệu có thể quay ngược với sigma biến động không rõ trên thị trường và phân số Q hoặc VaR để dự đoán ngưỡng biến động trong tương lai có khả năng, ngành này sẽ tiến hành theo hướng này.

3.1 Chọn dạng quay trở lại của tỷ lệ biến động và VaR

Vì đây là một vấn đề liên quan đến chiến lược cốt lõi, tôi sẽ đưa ra một hình thức để giải thích ý tưởng. $$ VaR=\epsilon + W^TE\E=(\zeta, \zeta^2, \zeta^3, \zeta^4) \W=(W_1, W_2, W_3, W_4) $$

3.2 Xác định hàm đích

Dựa trên thông tin trên, chúng ta có thể kết hợp và nhận được các hàm mục tiêu cuối cùng để tối ưu hóa: $$ \widehat{W}=\mathop{\arg\min_W}\ \sum{[{\alpha(VaR_t-W^TE_t) ^++(1-\alpha) ((W^TE_t-VaR_t) ^+ }]} $$

3.3 Sử dụng máy học để tối ưu hóa các hàm mục tiêu

Bước này có nhiều tùy chọn hơn, giảm độ dốc truyền thống, cũng có thể di truyền các thuật toán, người đọc có thể thử nghiệm sáng tạo của họ.Địa chỉ của GA

Ba, làm thế nào để sử dụng GQNR trong định lượng

1.思路的确定

Trung tâm của GQNR là sự biến động của thị trường, tại mỗi thời điểm hiện tại của mỗi giai đoạn, có thể dự đoán về sự biến động của giai đoạn tiếp theo thông qua dự báo GARCH, mặt khác, bằng cách quay trở lại các phân đoạn của dữ liệu dự đoán biến động trong quá khứ, có thể nhận được ranh giới trên và dưới của các ngưỡng biến động mà không được vượt qua trong nhiều khả năng. Và hai ranh giới này là trung tâm của toàn bộ. Một khi kích hoạt ranh giới trên, chúng ta có thể coi là có xu hướng quay trở lại ngắn hạn trong nhiều khả năng, một khi kích hoạt ranh giới dưới, chúng ta có thể coi là có xu hướng tăng trong ngắn hạn trong nhiều khả năng.

2.运用的难点

• Hình thức quay trở lại
• Lựa chọn các thuật toán thích nghi
• Các thông số thích hợp cho máy học
• Sự không chắc chắn của thị trường

3.解决方案

• Giảm chu kỳ học chiến lược
• Giảm rủi ro bảo hiểm dài hạn
• Tăng việc đồng xác minh xu hướng hai đường thẳng và xác nhận ngưỡng thứ hai